表 2. Improved strategy based on U-Net.

基于U-Net的改进策略

改进策略	模型	改进方法		优点		局限性
注意力机制	MADoubleU-Net[13]	加入空间与通道注意力及多尺度选择核心通道注意力模块		多尺度核心注意力机制增强了感受野		网络结构深且复杂，泛化能力差
	Focus U-Net[14]	引入双注意力门控机制、深度监督和混合焦点损失函数		实现了息肉特征选择性学习		双注意力机制和焦点门模块导致模型复杂度高
	TGANet[15]	引入文本引导注意力机制		有效增强了对扁平和无蒂息肉的分割能力		模型表现受到文本信息质量的制约
跳跃连接机制	U-Net++[17]	使用了嵌套密集跳跃路径的方法		息肉特征学习增强，信息丢失减轻		易出现特征稀疏化与过拟合的风险
	DenseNet[18]	DenseNet模型采用密集跳跃连接		实现了特征高效复用		引入了噪声干扰，可解释性差
编解码器	DDANet[19]	采用双解码器机制与引入残差学习		主解码器的特征学习能力提高		对于扁平或者无梗息肉时分割精度下降
	ResUNet++[20]	添加压缩提取模块，并相应地传播了通道注意力权重		压缩提取模块减少了特征图中的冗余信息		训练过程中会有信息丢失
	Graft-U-Net[21]	融合编码器-解码器结构和局部预处理增强技术		预处理提高了息肉的识别能力		推理时间有所增加